[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-minimax-m3-1m-token-coding-power-zh":3,"article-related-minimax-m3-1m-token-coding-power-zh":32,"series-model-release-0a9dbc64-2e51-494d-b6b6-21ecfd8dd1f5":82},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":24,"views":28,"created_at":29,"published_at":30,"topic_cluster_id":31},"0a9dbc64-2e51-494d-b6b6-21ecfd8dd1f5","minimax-m3-1m-token-coding-power-zh","MiniMax M3 把 1M Token 送進寫碼場","\u003Cp data-speakable=\"summary\">MiniMax M3 是一個主打寫程式、\u003Ca href=\"\u002Ftag\u002Fagent\">agent\u003C\u002Fa> 任務和超\u003Ca href=\"\u002Ftag\u002F長上下文\">長上下文\u003C\u002Fa>的旗艦模型。\u003C\u002Fp>\u003Cp>說真的，這顆模型很會挑戰開發者的耐心。\u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002F\" target=\"_blank\" rel=\"noopener\">MiniMax\u003C\u002Fa> 把 \u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002Fnews\" target=\"_blank\" rel=\"noopener\">M3\u003C\u002Fa> 推上旗艦位，直接打出 100 萬 \u003Ca href=\"\u002Ftag\u002Ftoken\">Token\u003C\u002Fa> 上下文。它還加上原生多模態，目標很明確，就是要讓模型一次看更多、記更久、做更多。\u003C\u002Fp>\u003Cp>這種規格不是拿來聊天而已。它比較像是要進 codebase、看文件、讀 log，再一路跑完工具鏈。對台灣團隊來說，這種模型最有感的地方，通常不是 demo，而是處理大專案時少切幾次上下文。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>項目\u003C\u002Fth>\u003Cth>內容\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>模型\u003C\u002Ftd>\u003Ctd>MiniMax M3\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>上下文長度\u003C\u002Ftd>\u003Ctd>1,000,000 tokens\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>主打場景\u003C\u002Ftd>\u003Ctd>寫程式與 agent 任務\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>能力\u003C\u002Ftd>\u003Ctd>原生多模態理解\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>MiniMax 這次押寶長上下文\u003C\u002Fh2>\u003Cp>先講白了，100 萬 Token 不是裝飾品。它會直接改變你看待資料的方式。以前要把 repo 拆成很多段，現在可以把更多檔案、規格、錯誤訊息放在同一個 session。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781295477857-78hl.png\" alt=\"MiniMax M3 把 1M Token 送進寫碼場\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這對大型專案很有感。尤其是 bug triage、架構審查、文件比對，還有那種一看就知道會拖很久的整合工作。模型如果能同時看懂更多內容，人工來回補資料的次數就會少很多。\u003C\u002Fp>\u003Cp>MiniMax 把 M3 綁在 agent 任務上，也很合理。agent 不是單次問答。它要分步驟做事，還要記得前面的限制。上下文越長，模型越有空間保留前文。\u003C\u002Fp>\u003Cul>\u003Cli>100 萬 Token 可放進更大的 codebase\u003C\u002Fli>\u003Cli>主打程式碼與 agent 工作流\u003C\u002Fli>\u003Cli>支援原生多模態輸入\u003C\u002Fli>\u003Cli>目標是減少反覆切上下文\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>100 萬 Token 對開發者到底有多實際\u003C\u002Fh2>\u003Cp>長上下文很容易被拿來喊口號。問題是，真的好用時，它會改變工作流程。你不用一直裁切文件，也不用把錯誤紀錄分成十段貼上來。\u003C\u002Fp>\u003Cp>對寫程式的人來說，這很像把短記憶變長記憶。模型可以同時看到更多函式、更多依賴、更多測試結果。這對找 bug 很有幫助，因為很多問題不是出在單一檔案，而是出在檔案之間的關係。\u003C\u002Fp>\u003Cp>不過，長上下文也不是萬靈丹。模型如果抓不到重點，讀再多也沒用。它還是得知道哪裡是規格，哪裡是噪音，哪裡是你真的要它修的地方。\u003C\u002Fp>\u003Cblockquote>“The real challenge is not just getting a model to read more text, but getting it to use that extra context well.” — Andrej Karpathy, former Tesla AI director\u003C\u002Fblockquote>\u003Cp>這句話很對味。長上下文的價值，不在數字有多大。重點是模型能不能把那些 Token 用在對的地方。\u003C\u002Fp>\u003Cp>如果你拿 M3 來做內部工具，它可能適合 \u003Ca href=\"\u002Ftag\u002Fcode-review\">code review\u003C\u002Fa>、文件整理、客服知識庫整理，還有長對話式排錯。這些場景都很吃上下文，也很吃穩定度。\u003C\u002Fp>\u003Ch2>拿來跟 GPT、Claude、Gemini 比一下\u003C\u002Fh2>\u003Cp>這裡先講現實面。M3 不是唯一在拼長上下文的模型。\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-4o\u002F\" target=\"_blank\" rel=\"noopener\">GPT-4o\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\" target=\"_blank\" rel=\"noopener\">Claude\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fgemini\" target=\"_blank\" rel=\"noopener\">Gemini\u003C\u002Fa> 都已經把多模態和長上下文玩得很熟。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781295476976-ksxh.png\" alt=\"MiniMax M3 把 1M Token 送進寫碼場\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>M3 的切法比較直接。它不是先講聊天體驗，而是先講寫程式和 agent。這對開發者來說其實蠻務實，因為真正會掏錢的團隊，通常在意的是能不能處理大專案，而不是模型名氣多響。\u003C\u002Fp>\u003Cp>如果只看功能方向，M3 的位置很清楚。它想把長上下文、多模態、工具型工作一次包進來。這種組合，對內部開發\u003Ca href=\"\u002Fnews\u002Fdeezer-detector-ai-music-across-streaming-apps-zh\">平台\u003C\u002Fa>、研究助理、支援系統都很有吸引力。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fgpt-4o\u002F\" target=\"_blank\" rel=\"noopener\">GPT-4o\u003C\u002Fa>：強在快速多模態互動\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\" target=\"_blank\" rel=\"noopener\">Claude\u003C\u002Fa>：常用在長文推理與寫碼\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fgemini\" target=\"_blank\" rel=\"noopener\">Gemini\u003C\u002Fa>：主打多模態與大上下文\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.minimax.io\u002F\" target=\"_blank\" rel=\"noopener\">MiniMax M3\u003C\u002Fa>：主打 100 萬 Token 與 agent 工作流\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這裡還有一個現實差異。大廠模型通常先把通用能力做滿，再往垂直場景延伸。MiniMax 這次是直接把焦點放在程式碼和 agent，路線比較硬派，也比較容易讓開發者立刻知道它是拿來幹嘛的。\u003C\u002Fp>\u003Cp>如果 M3 在長 session 裡還能維持穩定輸出，那它就不只是規格漂亮。它會\u003Ca href=\"\u002Fnews\u002Fkubernetes-turns-container-chaos-into-operations-zh\">變成\u003C\u002Fa>一個真的能上工的工具。反過來說，如果它只是 Token 很大，實際表現卻一直跑掉，大家很快就會回頭用熟悉的選項。\u003C\u002Fp>\u003Ch2>這波其實是在搶 agent 工具入口\u003C\u002Fh2>\u003Cp>我覺得這才是重點。現在很多模型都在講 agent，但真正能跑起來的系統，靠的不只是對話介面。它還需要記憶、工具使用、步驟規劃，還有足夠長的上下文。\u003C\u002Fp>\u003Cp>M3 的\u003Ca href=\"\u002Fnews\u002Fgoogles-monthly-ai-recaps-are-strategy-not-scrapbook-zh\">訊號\u003C\u002Fa>很明確。MiniMax 不是只想賣一個聊天模型，而是想進到開發流程裡。你可以把它想成一個會看文件、會讀截圖、也會處理程式碼的助手。\u003C\u002Fp>\u003Cp>對產品團隊來說，這種模型特別適合做內部知識助理。像是把設計稿、技術規格、issue 討論串和 log 一起丟進去，讓它幫你整理脈絡。這比單純問答更接近真實工作。\u003C\u002Fp>\u003Cp>MiniMax 的挑戰也很直接。它要證明自己不是只有大數字。它得在長任務裡維持穩定，還要少犯那種會讓工程師翻白眼的低級錯誤。\u003C\u002Fp>\u003Ch2>MiniMax M3 放進產業脈絡看\u003C\u002Fh2>\u003Cp>現在的模型市場很像一場規格戰。大家都會講多模態，大家都會講長上下文。差別在於，誰能把這些能力真的塞進工作流程。\u003C\u002Fp>\u003Cp>對\u003Ca href=\"\u002Ftag\u002F台灣開發者\">台灣開發者\u003C\u002Fa>來說，這件事很實際。很多公司不是在做純聊天產品，而是在做客服、內部搜尋、文件助理、程式輔助工具。這些場景都需要模型能讀很多資料，還要能接 API 和工具。\u003C\u002Fp>\u003Cp>所以 M3 這種路線，會比單純的聊天模型更接近企業需求。尤其是資料量大的團隊，像 SaaS、新創、系統整合商，會更在意它能不能一次吃下整包上下文。\u003C\u002Fp>\u003Cp>但也別太浪漫。模型再強，還是得看成本、延遲、穩定性，還有部署方式。這些才是最後會不會進 production 的關鍵。\u003C\u002Fp>\u003Ch2>我會怎麼看這顆模型\u003C\u002Fh2>\u003Cp>簡單講，M3 值得看，但別先高潮。它的 100 萬 Token 很吸睛，程式碼和 agent 方向也很對味。可是真正決定它能不能站穩的，是實測表現。\u003C\u002Fp>\u003Cp>如果你是開發者，我會建議直接拿真實案例測。拿一個中型 repo、一份長規格、一串 bug log，外加幾張截圖。看它能不能少問幾次、少漏幾個條件。\u003C\u002Fp>\u003Cp>MiniMax 已經把牌打出來了。接下來就看團隊會不會把它放進日常工作，而不是只拿來跑 demo。這種模型最後能不能留下來，不看宣傳詞，只看它有沒有真的幫你少做幾輪整理。\u003C\u002Fp>\u003Cp>如果你最近也在找長上下文模型，先別看規格表。先問自己一句：它能不能讓你少切幾次 prompt，還能把任務做完？這個答案，比任何行銷詞都準。\u003C\u002Fp>","MiniMax M3 主打 100 萬 Token 長上下文、程式碼與 agent 任務，還支援多模態輸入。這篇看它和 GPT-4o、Claude、Gemini 的差別。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2048466277065348427",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781295477857-78hl.png","model-release","zh","22137409-904c-49c4-bebb-1b4683438c6f",[17,18,19,20,21,22,23],"MiniMax M3","100萬Token","長上下文","agent模型","程式碼模型","多模態","LLM",[25,26,27],"MiniMax M3 主打 100 萬 Token 上下文，鎖定寫程式與 agent 任務。","長上下文有用，但前提是模型真的會用上下文，不只是能塞進去。","M3 的競爭對手包括 GPT-4o、Claude、Gemini，差別在產品切入點。",2,"2026-06-12T20:17:28.037784+00:00","2026-06-12T20:17:28.032+00:00","0ccb5d2e-69f1-4354-a3e0-cb370221cd95",{"tags":33,"relatedLang":41,"relatedPosts":45},[34,36,37,38,39],{"name":17,"slug":35},"minimax-m3",{"name":20,"slug":20},{"name":21,"slug":21},{"name":19,"slug":19},{"name":18,"slug":40},"100萬token",{"id":15,"slug":42,"title":43,"language":44},"minimax-m3-1m-token-coding-power-en","MiniMax M3 adds 1M-token coding power","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"eaafd0fe-cb56-40cd-80f8-c203e3d72f03","gpt-5-4-thinkng-pro-mini-nano-release-zh","GPT-5.4 率先登場，mini、nano 跟進","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781326973205-xufk.png","2026-06-13T05:02:19.576989+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"09fe28b5-aae5-4bac-b3bd-9a261e4c99a1","mimo-v2-flash-openrouter-benchmarks-pricing-zh","MiMo-V2-Flash 直衝開源 SWE-bench","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781321565467-96el.png","2026-06-13T03:32:17.367685+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"8ca34749-2efa-4b24-b2bd-c0fb66062b49","openai-confidential-ipo-us-stock-market-zh","OpenAI 低調送件 IPO","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781294579049-ltqt.png","2026-06-12T20:02:33.419196+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"b15b0887-bd5b-43e6-ac42-23939d0f4e92","google-gemini-35-pro-june-2m-token-launch-zh","Gemini 3.5 Pro 6月登場，2M Token 夠猛","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781204585839-bdsh.png","2026-06-11T19:02:36.371587+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"42ca8c4e-e593-461b-b108-ec98c12cf678","unsloth-kimi-k25-gguf-hugging-face-zh","Unsloth 把 Kimi-K2.5 做成 GGUF 包","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781160488625-q93d.png","2026-06-11T06:47:33.607859+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"8c573682-2528-4882-bff0-e1a06cd8f2ee","gpt-56-chasing-front-end-before-beating-mythos-zh","GPT-5.6先追前端，再談超越 Mythos","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781154168441-ovuw.png","2026-06-11T05:02:21.52852+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"58b64033-7eb6-49b9-9aab-01cf8ae1b2f2","nvidia-rubin-six-chips-one-ai-supercomputer-zh","NVIDIA Rubin 把六顆晶片塞進 AI 機櫃","2026-03-26T07:18:45.861277+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"0dcc2c61-c2a6-480d-adb8-dd225fc68914","march-2026-ai-model-news-what-mattered-zh","2026 年 3 月 AI 模型新聞重點","2026-03-26T07:32:08.386348+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"214ab08b-5ce5-4b5c-8b72-47619d8675dd","why-small-models-are-winning-on-device-ai-zh","小模型為何吃下裝置端 AI","2026-03-26T07:36:30.488966+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"785624b2-0355-4b82-adc3-de5e45eecd88","midjourney-v8-faster-images-higher-costs-zh","Midjourney V8 變快了，也變貴了","2026-03-26T07:52:03.562971+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"cda76b92-d209-4134-86c1-a60f5bc7b128","xiaomi-mimo-trio-agents-robots-voice-zh","小米 MiMo 三模型瞄準代理、機器人與語音","2026-03-28T03:05:08.779489+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"9e1044b4-946d-47fe-9e2a-c2ee032e1164","xiaomi-mimo-v2-pro-1t-moe-agents-zh","小米 MiMo-V2-Pro 登場：1T MoE 模型","2026-03-28T03:06:19.002353+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"c4b6186f-bd84-4598-997e-c6e31d543c0d","cursor-composer-2-agentic-coding-model-zh","Cursor Composer 2 走向代理式寫碼","2026-03-28T03:13:06.422716+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"e112e76f-ec3b-408f-810e-e93ae21a888a","apple-siri-gemini-distilled-models-zh","Apple Siri 牽手 Gemini 的真相","2026-03-29T04:52:57.886544+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"c679b51f-194a-463b-87fc-7695256ff752","mimo-v2-pro-vs-omni-vs-flash-2026-zh","MiMo V2 Pro、Omni、Flash 怎麼選","2026-04-02T01:18:43.576128+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"3b988fd7-6749-4f01-ba25-c0ad7486dc31","z-ai-glm-5v-turbo-design2code-claude-zh","GLM-5V-Turbo 在 Design2Code 贏了…","2026-04-02T04:03:36.31741+00:00"]